两个开源项目带你系统学习 AI Agent学 Agent 这条路上我踩过一个坑碎片文章看了很多概念记了一堆但脑子里始终没有一个完整的知识框架。直到我找到两个开源项目才真正把 Agent 从「听说过」变成了「能动手做」。一个是 ai-agent-book一本把 Agent 从原理讲到工程实战的开源书10 章正文配 88 个实验。另一个是 pi一个 74K Star 的 Agent 实战工具包含统一 LLM API、Agent 运行时和 Coding Agent CLI。一个教你理解 Agent一个让你上手用 Agent。下面分别介绍它们的内容以及怎么用来学习。ai-agent-book一本把 Agent 讲透的开源书① 项目概况ai-agent-book 的 GitHub 地址https://github.com/bojieli/ai-agent-book这本书的核心公式只有一句话Agent LLM 上下文 工具。全书围绕这个公式展开用 10 章把 AI Agent 从原理讲到工程实战。正文、配图、88 个配套实验全部开源支持 5 种语言中文、英文、台灣正體、泰米尔语、越南语。可以直接下载 PDF 和 EPUB中文原版PDF · EPUB② 10 章内容速览章主题一句话核心1Agent 基础知识「模型即 Agent」新范式Agent LLM 上下文 工具2上下文工程上下文决定能力上限KV Cache、提示工程、Skills、上下文压缩3用户记忆和知识库跨会话记住用户、接入外部知识记忆、RAG、知识图谱4工具工具是 Agent 的双手MCP 协议、感知/执行/协作三类工具5Coding Agent 与代码生成代码是「能创造新工具的工具」生产级 Coding Agent 全景6Agent 的评估把表现变成可比较信号评估环境、指标、统计显著性7Agent 的训练从 SFT 到 RL后训练如何塑造 Agent 的决策策略8部署与优化推理加速、量化、服务化让 Agent 跑得快、跑得稳9浏览器自动化视觉感知 操作让 Agent 操控浏览器完成任务10多 Agent 系统多个 Agent 协作通信、协调、角色分工③ 配套实验88 个配套实验70 可独立运行。每个实验都是一个独立的项目有自己的 README 和 requirements.txt。第1章 Agent 基础4个实验第2章 上下文工程9个实验第3章 记忆和知识库13个实验第4章 工具7个实验第5章 Coding Agent12个实验第6章 评估10个实验第7章 训练14个实验第8章 部署6个实验第9章 浏览器自动化5个实验第10章 多Agent8个实验实验从简单到复杂第 1 章的实验只需要调 API第 7 章的实验需要 GPU 来训练模型。你可以根据自己的水平选择起点。④ 这本书的独特价值很多文章讲 Agent 只讲概念不给代码。很多仓库给代码但不讲原理。ai-agent-book 两样都有——每一章先讲原理再用实验让你亲手验证。比如第 3 章讲 RAG不只讲「检索-拼接-生成」的流程还给了 13 个实验让你跑不同类型的 RAG从 Naive RAG 到 Graph RAG 到 Agentic RAG。pi74K Star 的 Agent 实战工具① 项目概况pi 的 GitHub 地址https://github.com/earendil-works/pipi 是一个Agent HarnessAgent 运行框架用 TypeScript 写的目前有 74K Star。它的定位是给你一套完整的 Agent 基础设施你只需要关注业务逻辑。② 四个核心包pi 的架构很清晰拆成了四个独立的包pi-ai— 统一多提供商 LLM API把 OpenAI、Anthropic、Google 等不同提供商的 API 统一成一套接口。你写一次代码换提供商只需要改一个配置。这对 Agent 开发很重要——Agent 需要灵活切换模型不能被一个提供商锁死。pi-agent-core— Agent 运行时Agent 的核心运行逻辑工具调用、状态管理、对话循环。它定义了 Agent 怎么接收消息、怎么决定调用什么工具、怎么处理工具返回的结果。pi-coding-agent— 交互式 Coding Agent CLI开箱即用的 Coding Agent 命令行工具。装好就能用支持代码搜索、文件编辑、命令执行等能力。你可以直接拿它来写代码也可以基于它做二次开发。pi-tui— 终端 UI 库终端界面渲染库支持差分渲染。pi-coding-agent 的交互界面就是用它做的。③ 为什么这么火pi 能拿到 74K Star不是没有原因的统一 API一个接口对接多个 LLM 提供商不用每个提供商写一套代码开箱即用npm install就能跑不需要复杂的配置可扩展工具、技能、交互方式都可以自定义工业级质量有完整的测试、CI/CD、文档不是玩具项目④ 适用场景如果你想快速上手 Agent 开发pi 是最好的起点之一。它帮你搞定了 LLM 对接、工具调用、状态管理这些基础设施你只需要写业务逻辑。如果你想看工业级 Agent 的实现pi 的源码非常值得读——代码质量高、架构清晰、文档完善。两个项目的互补性① 理解层 vs 实现层ai-agent-book 和 pi 解决的是同一类问题的不同层面ai-agent-book 是理解层为什么 Agent 需要上下文工程为什么工具调用要用 MCP 协议为什么评估要用统计显著性它回答的是「为什么」。pi 是实现层统一 LLM API 怎么设计工具调用的状态机怎么管理Agent 的对话循环怎么跑它回答的是「怎么做」。ai-agent-book (理解层) pi (实现层) ┌─────────────────────┐ ┌─────────────────────┐ │ 为什么这样设计 │ │ 代码怎么写 │ │ 原理是什么 │ │ 架构怎么搭 │ │ 各种方案的优缺点 │ │ 接口怎么定义 │ │ 评估指标怎么选 │ │ 状态怎么管理 │ └─────────────────────┘ └─────────────────────┘ │ │ └──────────┬───────────────────┘ ▼ 读书理解原理 看 pi 学实现 动手做实验验证② 互补关系只读 ai-agent-book 不看 pi你会知道原理但不知道怎么落地。只看 pi 不读 ai-agent-book你会用工具但不知道为什么这样设计。两个一起用才是完整的学习闭环。比如学「工具调用」这个概念ai-agent-book 第 4 章讲了工具的分类感知/执行/协作、MCP 协议的设计、事件驱动异步 Agent。看完原理后去 pi-agent-core 的源码里看它怎么实现工具调用、怎么管理工具状态、怎么处理工具返回的结果。原理和实现对照着看理解会深很多。怎么用 ai-agent-book 学习 Agent① 第一遍通读建立全景1-2 周先读第 1 章建立核心概念。这一章是全书的概念地图——Agent LLM 上下文 工具Harness 工程才是竞争力。初次阅读不必记住所有概念先建立整体印象。然后快速浏览 2-10 章的标题和小结知道每章讲什么就行。这一步的目的是建立知识地图——知道 Agent 的知识体系有哪些分支每个分支大概讲什么。② 第二遍按兴趣深入2-4 周对哪个方向感兴趣就深入哪章。但有两章建议必读第 2 章 上下文工程上下文决定 Agent 能力上限这是 Agent 开发中最核心的工程问题第 4 章 工具工具是 Agent 的手脚MCP 协议、工具分类、事件驱动这些概念贯穿所有 Agent 开发每章的配套实验跟着跑一遍。不用全部跑完挑 2-3 个核心实验就行。跑实验比纯读文章有效十倍——你以为理解了的概念跑一遍实验可能发现还有盲区。③ 第三遍动手做实验持续从简单的实验开始。chapter1 的 4 个实验只需要调 API不需要 GPU。chapter2 的 9 个实验开始涉及上下文管理。chapter3 的 13 个实验覆盖各种 RAG 变体。逐步挑战复杂的chapter7 的 14 个实验涉及模型训练需要 GPU。chapter10 的 8 个实验涉及多 Agent 协作是最综合的。改代码、调参数、观察变化——这才是真正的学习。光看文章不动手永远是纸上谈兵。怎么用 pi 学习 Agent 实现① 看代码学架构pi-agent-core 是学习 Agent 架构的好材料。重点看工具调用Agent 怎么发现工具、怎么调用工具、怎么处理工具返回状态管理对话状态怎么维护、工具执行状态怎么追踪对话循环Agent 的核心循环——接收消息 → 推理 → 调用工具 → 返回结果② 看代码学 LLM 集成pi-ai 的统一 API 设计值得学习。它怎么把 OpenAI、Anthropic、Google 不同格式的 API 统一成一套接口怎么处理不同提供商的差异流式输出、工具调用格式、错误码这些问题在你自己做 Agent 开发时都会碰到。③ 看代码学 CLI 设计pi-coding-agent 的交互式终端是怎么做的怎么处理用户输入怎么展示 Agent 的思考过程怎么在终端里渲染富文本这些细节在做 CLI 工具时都会用到。④ 动手改代码fork 后加一个新工具、改一个交互逻辑、换一个 LLM 提供商。从小改动开始逐步理解整个系统。实际使用npminstall# 配置 API KeyexportOPENAI_API_KEYyour_key# 运行npx pi学习路径建议① 四个阶段阶段一概念建立1-2周阶段二原理深入2-4周阶段三实战进阶4-8周阶段四高级主题持续② 阶段一概念建立1-2 周读 ai-agent-book 第 1 章建立核心概念跑 chapter1 的 4 个实验安装 pi体验一下 Coding Agent目标知道 Agent 是什么、由什么组成③ 阶段二原理深入2-4 周读 ai-agent-book 第 2-4 章上下文、记忆、工具跑每章 2-3 个核心实验看 pi-agent-core 的源码对照理解工具调用的实现目标理解 Agent 的三大核心组件怎么工作④ 阶段三实战进阶4-8 周读第 5-6 章Coding Agent、评估用 pi 做一个小项目比如加一个自定义工具参与开源贡献——两个项目都欢迎 PR目标能独立开发一个简单的 Agent⑤ 阶段四高级主题持续第 7-10 章训练、部署、浏览器自动化、多 Agent自己实现一个简单的 Agent 框架目标深入理解 Agent 的高级话题我的思考① 学 Agent 的最佳方式学 Agent 最好的方式是**「读书 看源码 动手做」三位一体**。ai-agent-book 提供了体系化的知识pi 提供了工业级的代码配套实验提供了动手验证的机会。三者缺一不可。② 两个项目的价值ai-agent-book 的价值在于体系化——它不是零散的博客文章而是一本从头到尾讲透 Agent 的书。pi 的价值在于实战化——它不是理论讲解而是一个可以跑、可以改、可以用的 Agent 框架。两个项目都是开源的Star 都很高社区都很活跃。这说明它们经过了社区的检验不是某个人的自说自话。③ 还没想明白的事学完这些能做什么怎么把学到的东西用到实际项目中我的体会是学完 ai-agent-book 的前 4 章你就能在自己的项目里设计一个基本的 Agent 架构。学完第 5-6 章你就能做 Coding Agent 和评估体系。学完第 7-10 章你就能处理训练、部署和多 Agent 这些高级话题。但理论和实践之间永远有 gap。最好的弥合方式是做一个真实项目——哪怕很小哪怕只是把 ai-agent-book 的某个实验改造成一个能解决实际问题的工具。写在最后两个项目两种学习方式ai-agent-book10 章 88 个实验从原理到实战教你理解 Agentpi74K Star统一 LLM API Agent 运行时 Coding Agent CLI让你上手用 Agent建议从 ai-agent-book 第 1 章开始同时安装 pi 体验一下。读一章书跑一个实验看一段 pi 的源码——这是我认为最高效的学习方式。Agent 的知识体系很大但核心公式只有一句话Agent LLM 上下文 工具。理解了这个公式剩下的都是细节。
两个开源项目带你系统学习 AI Agent学 Agent 这条路上我踩过一个坑碎片文章看了很多概念记了一堆但脑子里始终没有一个完整的知识框架。直到我找到两个开源项目才真正把 Agent 从「听说过」变成了「能动手做」。一个是 ai-agent-book一本把 Agent 从原理讲到工程实战的开源书10 章正文配 88 个实验。另一个是 pi一个 74K Star 的 Agent 实战工具包含统一 LLM API、Agent 运行时和 Coding Agent CLI。一个教你理解 Agent一个让你上手用 Agent。下面分别介绍它们的内容以及怎么用来学习。ai-agent-book一本把 Agent 讲透的开源书① 项目概况ai-agent-book 的 GitHub 地址https://github.com/bojieli/ai-agent-book这本书的核心公式只有一句话Agent LLM 上下文 工具。全书围绕这个公式展开用 10 章把 AI Agent 从原理讲到工程实战。正文、配图、88 个配套实验全部开源支持 5 种语言中文、英文、台灣正體、泰米尔语、越南语。可以直接下载 PDF 和 EPUB中文原版PDF · EPUB② 10 章内容速览章主题一句话核心1Agent 基础知识「模型即 Agent」新范式Agent LLM 上下文 工具2上下文工程上下文决定能力上限KV Cache、提示工程、Skills、上下文压缩3用户记忆和知识库跨会话记住用户、接入外部知识记忆、RAG、知识图谱4工具工具是 Agent 的双手MCP 协议、感知/执行/协作三类工具5Coding Agent 与代码生成代码是「能创造新工具的工具」生产级 Coding Agent 全景6Agent 的评估把表现变成可比较信号评估环境、指标、统计显著性7Agent 的训练从 SFT 到 RL后训练如何塑造 Agent 的决策策略8部署与优化推理加速、量化、服务化让 Agent 跑得快、跑得稳9浏览器自动化视觉感知 操作让 Agent 操控浏览器完成任务10多 Agent 系统多个 Agent 协作通信、协调、角色分工③ 配套实验88 个配套实验70 可独立运行。每个实验都是一个独立的项目有自己的 README 和 requirements.txt。第1章 Agent 基础4个实验第2章 上下文工程9个实验第3章 记忆和知识库13个实验第4章 工具7个实验第5章 Coding Agent12个实验第6章 评估10个实验第7章 训练14个实验第8章 部署6个实验第9章 浏览器自动化5个实验第10章 多Agent8个实验实验从简单到复杂第 1 章的实验只需要调 API第 7 章的实验需要 GPU 来训练模型。你可以根据自己的水平选择起点。④ 这本书的独特价值很多文章讲 Agent 只讲概念不给代码。很多仓库给代码但不讲原理。ai-agent-book 两样都有——每一章先讲原理再用实验让你亲手验证。比如第 3 章讲 RAG不只讲「检索-拼接-生成」的流程还给了 13 个实验让你跑不同类型的 RAG从 Naive RAG 到 Graph RAG 到 Agentic RAG。pi74K Star 的 Agent 实战工具① 项目概况pi 的 GitHub 地址https://github.com/earendil-works/pipi 是一个Agent HarnessAgent 运行框架用 TypeScript 写的目前有 74K Star。它的定位是给你一套完整的 Agent 基础设施你只需要关注业务逻辑。② 四个核心包pi 的架构很清晰拆成了四个独立的包pi-ai— 统一多提供商 LLM API把 OpenAI、Anthropic、Google 等不同提供商的 API 统一成一套接口。你写一次代码换提供商只需要改一个配置。这对 Agent 开发很重要——Agent 需要灵活切换模型不能被一个提供商锁死。pi-agent-core— Agent 运行时Agent 的核心运行逻辑工具调用、状态管理、对话循环。它定义了 Agent 怎么接收消息、怎么决定调用什么工具、怎么处理工具返回的结果。pi-coding-agent— 交互式 Coding Agent CLI开箱即用的 Coding Agent 命令行工具。装好就能用支持代码搜索、文件编辑、命令执行等能力。你可以直接拿它来写代码也可以基于它做二次开发。pi-tui— 终端 UI 库终端界面渲染库支持差分渲染。pi-coding-agent 的交互界面就是用它做的。③ 为什么这么火pi 能拿到 74K Star不是没有原因的统一 API一个接口对接多个 LLM 提供商不用每个提供商写一套代码开箱即用npm install就能跑不需要复杂的配置可扩展工具、技能、交互方式都可以自定义工业级质量有完整的测试、CI/CD、文档不是玩具项目④ 适用场景如果你想快速上手 Agent 开发pi 是最好的起点之一。它帮你搞定了 LLM 对接、工具调用、状态管理这些基础设施你只需要写业务逻辑。如果你想看工业级 Agent 的实现pi 的源码非常值得读——代码质量高、架构清晰、文档完善。两个项目的互补性① 理解层 vs 实现层ai-agent-book 和 pi 解决的是同一类问题的不同层面ai-agent-book 是理解层为什么 Agent 需要上下文工程为什么工具调用要用 MCP 协议为什么评估要用统计显著性它回答的是「为什么」。pi 是实现层统一 LLM API 怎么设计工具调用的状态机怎么管理Agent 的对话循环怎么跑它回答的是「怎么做」。ai-agent-book (理解层) pi (实现层) ┌─────────────────────┐ ┌─────────────────────┐ │ 为什么这样设计 │ │ 代码怎么写 │ │ 原理是什么 │ │ 架构怎么搭 │ │ 各种方案的优缺点 │ │ 接口怎么定义 │ │ 评估指标怎么选 │ │ 状态怎么管理 │ └─────────────────────┘ └─────────────────────┘ │ │ └──────────┬───────────────────┘ ▼ 读书理解原理 看 pi 学实现 动手做实验验证② 互补关系只读 ai-agent-book 不看 pi你会知道原理但不知道怎么落地。只看 pi 不读 ai-agent-book你会用工具但不知道为什么这样设计。两个一起用才是完整的学习闭环。比如学「工具调用」这个概念ai-agent-book 第 4 章讲了工具的分类感知/执行/协作、MCP 协议的设计、事件驱动异步 Agent。看完原理后去 pi-agent-core 的源码里看它怎么实现工具调用、怎么管理工具状态、怎么处理工具返回的结果。原理和实现对照着看理解会深很多。怎么用 ai-agent-book 学习 Agent① 第一遍通读建立全景1-2 周先读第 1 章建立核心概念。这一章是全书的概念地图——Agent LLM 上下文 工具Harness 工程才是竞争力。初次阅读不必记住所有概念先建立整体印象。然后快速浏览 2-10 章的标题和小结知道每章讲什么就行。这一步的目的是建立知识地图——知道 Agent 的知识体系有哪些分支每个分支大概讲什么。② 第二遍按兴趣深入2-4 周对哪个方向感兴趣就深入哪章。但有两章建议必读第 2 章 上下文工程上下文决定 Agent 能力上限这是 Agent 开发中最核心的工程问题第 4 章 工具工具是 Agent 的手脚MCP 协议、工具分类、事件驱动这些概念贯穿所有 Agent 开发每章的配套实验跟着跑一遍。不用全部跑完挑 2-3 个核心实验就行。跑实验比纯读文章有效十倍——你以为理解了的概念跑一遍实验可能发现还有盲区。③ 第三遍动手做实验持续从简单的实验开始。chapter1 的 4 个实验只需要调 API不需要 GPU。chapter2 的 9 个实验开始涉及上下文管理。chapter3 的 13 个实验覆盖各种 RAG 变体。逐步挑战复杂的chapter7 的 14 个实验涉及模型训练需要 GPU。chapter10 的 8 个实验涉及多 Agent 协作是最综合的。改代码、调参数、观察变化——这才是真正的学习。光看文章不动手永远是纸上谈兵。怎么用 pi 学习 Agent 实现① 看代码学架构pi-agent-core 是学习 Agent 架构的好材料。重点看工具调用Agent 怎么发现工具、怎么调用工具、怎么处理工具返回状态管理对话状态怎么维护、工具执行状态怎么追踪对话循环Agent 的核心循环——接收消息 → 推理 → 调用工具 → 返回结果② 看代码学 LLM 集成pi-ai 的统一 API 设计值得学习。它怎么把 OpenAI、Anthropic、Google 不同格式的 API 统一成一套接口怎么处理不同提供商的差异流式输出、工具调用格式、错误码这些问题在你自己做 Agent 开发时都会碰到。③ 看代码学 CLI 设计pi-coding-agent 的交互式终端是怎么做的怎么处理用户输入怎么展示 Agent 的思考过程怎么在终端里渲染富文本这些细节在做 CLI 工具时都会用到。④ 动手改代码fork 后加一个新工具、改一个交互逻辑、换一个 LLM 提供商。从小改动开始逐步理解整个系统。实际使用npminstall# 配置 API KeyexportOPENAI_API_KEYyour_key# 运行npx pi学习路径建议① 四个阶段阶段一概念建立1-2周阶段二原理深入2-4周阶段三实战进阶4-8周阶段四高级主题持续② 阶段一概念建立1-2 周读 ai-agent-book 第 1 章建立核心概念跑 chapter1 的 4 个实验安装 pi体验一下 Coding Agent目标知道 Agent 是什么、由什么组成③ 阶段二原理深入2-4 周读 ai-agent-book 第 2-4 章上下文、记忆、工具跑每章 2-3 个核心实验看 pi-agent-core 的源码对照理解工具调用的实现目标理解 Agent 的三大核心组件怎么工作④ 阶段三实战进阶4-8 周读第 5-6 章Coding Agent、评估用 pi 做一个小项目比如加一个自定义工具参与开源贡献——两个项目都欢迎 PR目标能独立开发一个简单的 Agent⑤ 阶段四高级主题持续第 7-10 章训练、部署、浏览器自动化、多 Agent自己实现一个简单的 Agent 框架目标深入理解 Agent 的高级话题我的思考① 学 Agent 的最佳方式学 Agent 最好的方式是**「读书 看源码 动手做」三位一体**。ai-agent-book 提供了体系化的知识pi 提供了工业级的代码配套实验提供了动手验证的机会。三者缺一不可。② 两个项目的价值ai-agent-book 的价值在于体系化——它不是零散的博客文章而是一本从头到尾讲透 Agent 的书。pi 的价值在于实战化——它不是理论讲解而是一个可以跑、可以改、可以用的 Agent 框架。两个项目都是开源的Star 都很高社区都很活跃。这说明它们经过了社区的检验不是某个人的自说自话。③ 还没想明白的事学完这些能做什么怎么把学到的东西用到实际项目中我的体会是学完 ai-agent-book 的前 4 章你就能在自己的项目里设计一个基本的 Agent 架构。学完第 5-6 章你就能做 Coding Agent 和评估体系。学完第 7-10 章你就能处理训练、部署和多 Agent 这些高级话题。但理论和实践之间永远有 gap。最好的弥合方式是做一个真实项目——哪怕很小哪怕只是把 ai-agent-book 的某个实验改造成一个能解决实际问题的工具。写在最后两个项目两种学习方式ai-agent-book10 章 88 个实验从原理到实战教你理解 Agentpi74K Star统一 LLM API Agent 运行时 Coding Agent CLI让你上手用 Agent建议从 ai-agent-book 第 1 章开始同时安装 pi 体验一下。读一章书跑一个实验看一段 pi 的源码——这是我认为最高效的学习方式。Agent 的知识体系很大但核心公式只有一句话Agent LLM 上下文 工具。理解了这个公式剩下的都是细节。
)
)
